字数 1126，阅读大约需 6 分钟

OpenAI推出革新性语音转录模型gpt-4o-transcribe，引领语音AI新时代

在语音AI领域持续引发热潮的OpenAI，近日再次推出革新性产品——gpt-4o-transcribe语音转录模型。作为两年前Whisper模型的升级版，gpt-4o-transcribe在多个方面实现了显著突破，为语音转录技术树立了新的标杆。

gpt-4o-transcribe：更低错误率，更高性能

根据OpenAI官方数据，gpt-4o-transcribe在行业标准的33种语言测试中，错误率相较于Whisper有了显著下降。特别是在英语中，错误率低至2.46%，这一数字相较于前代模型有了质的飞跃。对于需要高精度语音转录的场景，如客户呼叫中心、会议纪要自动生成等，这一进步意义重大。

复杂环境下的出色表现

gpt-4o-transcribe不仅在标准环境下表现出色，更在各种复杂条件下展现了强大的适应能力。无论是嘈杂的环境、不同的口音，还是快慢不一的语速，该模型都能提供更准确的转录结果。此外，gpt-4o-transcribe还支持超过100种语言，为全球用户提供了更广泛的服务。

技术创新：噪声消除与语义语音活动检测

为了进一步提升转录准确性，gpt-4o-transcribe集成了噪声消除和语义语音活动检测技术。其中，语义语音活动检测技术能够帮助模型判断说话者是否完成了一个完整的想法，从而避免断句错误，提高整体转录质量。这一创新使得gpt-4o-transcribe能够更精准地捕捉对话内容，提供流畅自然的语音转文本体验。

API接口开放，助力开发者创新

目前，gpt-4o-transcribe已经通过OpenAI的API接口向全球开发者开放。开发者可以快速将这一强大的语音转录能力集成到自己的应用程序中，为用户带来更便捷的语音交互体验。据OpenAI演示，对于已经基于GPT-4o等文本大模型构建的应用，只需约九行代码即可轻松添加语音交互功能。这一举措大大降低了开发门槛，让更多团队能够以更低的成本（每分钟约$0.006）实现高质量的语音交互服务。

应用场景广泛，潜力巨大

凭借其强大的语音转录能力，gpt-4o-transcribe有望在多个领域大显身手。OpenAI认为，客户呼叫中心、会议纪要自动生成以及AI驱动的智能助手等场景都非常适合应用这项技术。一些已经体验过新模型的公司反馈称，OpenAI的音频模型显著提升了语音AI的性能。

面临竞争，但前景广阔

尽管OpenAI在语音AI领域取得了显著进展，但也面临着来自其他公司的竞争。例如，ElevenLabs的Scribe模型具备较低的错误率和说话人分离功能，而Hume AI的Octave TTS模型则在发音和情感控制方面提供了更精细的自定义选项。然而，随着gpt-4o-transcribe等新模型的推出，我们正站在语音AI新时代的门槛上，未来将见证更多创新应用的诞生。

定价信息与竞品比较

根据OpenAI公布的定价信息，gpt-4o-transcribe每100万个音频输入tokens的价格为，约合每分钟0.006。这一价格相较于竞品如ElevenLabs Scribe（每小时音频输入定价为，约合每分钟0.006）具有竞争力。此外，OpenAI还提供了gpt-4o-mini-transcribe和gpt-4o-mini-tts等不同规格的模型，以满足不同开发者的需求。